LİDAR verileri ile desteklenmiş ortofoto görüntülerinden bina tespiti performans değerlendirmesi

Abstract

Kent yönetiminde, yapılaşmaların takip edilmesi, kentsel değişimlerin zamansal izlenmesi ve mevcut veri tabanının kısa sürede güncellenmesi kontrol ve karar verme süreçleri için oldukça önemlidir. Şehirlerde dönüşüm projelerinin yürürlüğe girmesi ile birlikte mevcut binalara ait güncel hızlı ve doğru veriye olan ihtiyaç daha da artmıştır. UA (Uzaktan Algılama) ve CBS (Coğrafi Bilgi Sistemleri), kentlerin kısa sürede haritalanması ve görüntülenmesi bakımından oldukça kolaylıklar sunan modern araç ve tekniklerdir. Yüksek çözünürlüklü uydu görüntülerinden yarı ya da tam otomatik nesne çıkarımı, yansımaların benzerlik taşıdığı, tonsal farklılıkların düşük olduğu, sık bina yapılarının bulunduğu alanlarda oldukça zor olmaktadır. Bu nedenle bu tür problemlere çözüm oluşturacak yöntemlere gerek duyulmaktadır. LİDAR, bina tespitinin otomasyonunda ve 3B topoğrafik veri tabanlarının oluşturulmasında önemli bir role sahip olabilmektedir.Bu kapsamda bu çalışmanın hedefi, Marmara havzası, İstanbul Küçükçekmece bölgesinde yer alan binaların belirlenme performansının LİDAR verisi ile desteklenmiş ortofoto görüntülerinden uzaktan algılama ve CBS teknikleriyle tespit edilmesini sağlamaktır. Performans karşılaştırması iki farklı kapsamda yapılmıştır. Bunlar sırası ile alana ait ortofoto görüntüsü üzerinden farklı sınıflandırma yöntemleri ile performans değerlendirmesi ve LİDAR nokta bulutundan elde edilmiş 3B verisinin ek bant olarak ortofoto verisine eklenmesi sonucu performans değerlendirmesidir. Çalışmada hücre tabanlı ve makine öğrenmesine dayalı iki farklı sınıflandırma yöntemi uygulanmıştır. Bunlar En Büyük Olasılık Sınıflandırma (EBO) ve Destek Vektör Makinaları (DVM) sınıflandırma yöntemleridir. Ayrıca LİDAR nokta bulutu yardımı ile normalize edilmiş sayısal yükseklik modeli (nSYM) oluşturulmuş ve 3B ek bant bilgisi olarak ortofoto görüntüsüne eklenmiştir. Yapılan çalışma sonucunda, EBO algoritmasına göre DVM sınıflandırma yönteminin performansının daha yüksek olduğu, ayrıca 3B bilgisi ek bant olarak eklenmiş verinin mevcut bant sınıflandırmasına göre daha etkili olduğu belirlenmiştir.

In urban management, monitoring of the developments, timely monitoring of urban changes and updating of the existing database in a short time is very important for control and decision making processes. With the entry into force of transformation projects in cities, the need for up-to-date fast and accurate data for existing buildings has increased further. UA (Remote Sensing) and GIS (Geographic Information Systems) are modern tools and techniques that offer a lot of convenience in terms of mapping and visualization of cities in a short time. Semi-or full-automatic object extraction from high-resolution satellite images is very difficult in the areas where reflections are similar, tone differences are low, and frequent building structures are present. Therefore, methods are needed to solve such problems. LIDAR can play an important role in the automation of building detection and in the creation of 3D topographic databases.In this context, the aim of this study is to detect the determination performance of the buildings located in the Küçükçekmece area of the Marmara basin by using remote sensing and GIS techniques from the orthophoto images supported by LIDAR data. These are the performance evaluation with different classification methods based on the orthophoto image of the field, and the performance evaluation as a result of the addition of the 3D data obtained from the LIDAR point cloud to the orthophoto data as an additional band. In the study, two different classification methods based on cell-based and machine learning were applied. These are the Maximum Likelyhood Classification (MLC) and Support Vector Machines (SVM) classification methods. In addition, the digital elevation model (nDSM) which was normalized with the help of LIDAR point cloud, was created and added to the orthophoto image as a 3D band information. According to the results of the study, it was realized that the performance of Support Vector Machines (SVM) method is higher than Maximum Likelyhood Classification (MLC) algorithm, also, the 3D information data added as an additional band was more effective than current band classification.